{
  "id": "priority-queue",
  "title": "优先队列",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "优先队列是一种按优先级而非插入顺序取出元素的抽象数据类型，通常用堆实现。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [
    "优先级队列"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/priority-queue/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/priority-queue/",
      "json": "https://aiwiki.page/en/priority-queue.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "优先队列是一种抽象数据类型，用于存储带有优先级的元素，并按照指定的次序提供对最高优先级元素的访问。普通队列（数据类型）通常按先进先出的顺序移除元素，而优先队列则按优先级选择元素。它是图算法、调度系统和事件驱动仿真的基本组成部分。优先队列描述的是一种接口及其行为；堆（数据结构）只是其中一种可能的实现，并不是这一抽象概念的同义词。"
    },
    {
      "heading": "排序规则与基本操作",
      "text": "优先队列通常有两种形式：\n\n- 最小优先队列返回键值最小的元素。\n- 最大优先队列返回键值最大的元素。\n\n这里的键是用于确定优先级的值。因此，“最高”指的是优先顺序，不一定指数值最大：优先级编号为 1 的任务可能先于优先级编号为 5 的任务执行。\n\n基本操作如下：\n\n操作 | 含义\ninsert(item, key) | 添加一个具有指定优先级的元素\npeek() 或 find-min() / find-max() | 返回一个优先级最高的元素，但不将其移除\nextract-min() / extract-max() | 移除并返回一个优先级最高的元素\nis-empty() | 检查队列是否为空\nsize() | 返回已存储元素的数量\n\n有些接口还支持修改元素的优先级、删除指定元素，或将两个队列合并。在最小优先队列中，decrease-key 会提高元素的优先级；在最大优先队列中，起这一作用的是 increase-key。\n\n例如，将 \\((4,A)\\)、\\((1,B)\\) 和 \\((3,C)\\) 这几对值插入最小优先队列，无论它们的插入顺序如何，取出顺序都是 \\(B,C,A\\)。\n\n优先级相同的情况与稳定性\n\n优先队列通常允许多个元素具有相同的优先级。除非接口明确作出保证，否则这些元素之间的取出顺序是不确定的。\n\n稳定优先队列会在优先级相同的元素之间保留插入顺序。一种常见的实现方式是为每次插入分配一个单调递增的序号，并按字典序比较以下二元组：\n\n\\[(\\text{priority},\\text{sequence number})\\]\n\n这样，在最小优先队列中，优先级相同时就会先取出较早插入的元素。这种方法也避免了在优先级相同时比较元素所携带的数据对象。\n\n比较关系必须保持一致。许多实现要求采用严格弱序，这种关系允许键等价，同时维持一致的排序规则。不一致的比较器，或没有明确排序策略的浮点非数（NaN）等特殊值，都可能使该结构赖以成立的假设失效。"
    },
    {
      "heading": "实现与复杂度",
      "text": "不同的数据结构可以实现相同的优先队列接口，但在性能上各有取舍。最合适的表示方式取决于插入、取出、优先级修改和合并操作的频率。\n\n对于包含 \\(n\\) 个元素的最小优先队列，典型的时间复杂度如下：\n\n表示方式 | 查找最小值 | 插入 | 取出最小值\n无序链表 | \\(O(n)\\) | \\(O(1)\\) | \\(O(n)\\)\n最小值位于表头的有序链表 | \\(O(1)\\) | \\(O(n)\\) | \\(O(1)\\)\n二叉堆 | \\(O(1)\\) | \\(O(\\log n)\\) | \\(O(\\log n)\\)\n平衡二叉搜索树 | \\(O(\\log n)\\)，若缓存最小值则为 \\(O(1)\\) | \\(O(\\log n)\\) | \\(O(\\log n)\\)\n斐波那契堆 | \\(O(1)\\) | 摊还 \\(O(1)\\) | 摊还 \\(O(\\log n)\\)\n\n这些界限描述的是数据结构的主要操作。动态内存分配、数组大小调整以及用户定义的比较操作都可能带来额外开销。\n\n当插入占主导、很少取出最小值时，无序表示很有用。有序表示则作出了相反的取舍。红黑树等平衡树还提供有序遍历和范围查询等额外能力，但通常比基于数组的堆需要更多的结构性开销。\n\n二叉堆\n\n二叉堆是一棵满足堆序性质的完全二叉树。在最小堆中，每个父节点的键都不大于其子节点的键。因此，根节点包含一个最小元素，但其余元素并未在全局范围内排好序。\n\n这棵树通常存储在数组（数据结构）中。使用从零开始的索引时，索引为 \\(i\\) 的节点，其子节点位于\n\n\\[2i+1 \\quad \\text{and} \\quad 2i+2,\\]\n\n前提是这些位置存在。对于 \\(i>0\\)，其父节点位于\n\n\\[\\left\\lfloor \\frac{i-1}{2} \\right\\rfloor.\\]\n\n插入时，先将新元素追加到末尾；只要违反堆序，就反复将其与父节点交换。这称为上浮。\n\n取出时，先移除根节点，将最后一个元素移到根节点的位置，再通过下沉恢复堆序，即根据需要将其与较小的子节点交换。这两个过程都沿着一条路径进行，路径长度至多与树高成正比，因此耗时为 \\(O(\\log n)\\)。\n\n使用自底向上的建堆方法，可以在 \\(O(n)\\) 时间内将现有数组转换为堆。这比逐个插入元素所需的 \\(O(n\\log n)\\) 最坏情况开销更低。之所以能达到线性时间，是因为大多数节点都靠近叶节点，只需少量下移，甚至无需移动。\n\n二叉堆使用 \\(O(n)\\) 的存储空间，布局紧凑，通常有利于 CPU 缓存局部性。\n\n其他堆家族\n\n多种堆的变体分别针对不同操作进行了优化：\n\n- \\(d\\) 叉堆允许每个节点最多有 \\(d\\) 个子节点。增大 \\(d\\) 会降低树高，但会增加向下修复时对子节点的比较次数。\n- 二项堆将元素组织成一组具有特定结构的树，并支持在 \\(O(\\log n)\\) 时间内合并。\n- 斐波那契堆支持摊还时间为 \\(O(1)\\) 的插入、合并和减小键操作，取出最小值的摊还时间为 \\(O(\\log n)\\)。\n- 配对堆采用相对简单的树链接操作，是实现可合并优先队列的另一种选择。\n\n摊还分析给出的界限约束的是一系列操作中每次操作的平均开销，并不保证每个单独操作都具有这一开销。精巧的渐近复杂度界限也不意味着在所有工作负载下都运行得更快：内存分配、指针访问、比较开销以及实现复杂度都很重要。"
    },
    {
      "heading": "修改优先级与定位元素",
      "text": "在堆中查找最小值很高效，但查找任意元素并非如此。仅靠二叉堆本身，定位某个特定元素可能需要 \\(O(n)\\) 时间。\n\n索引优先队列维护从元素标识符到堆中位置的映射。每当两个堆条目交换位置时，也会更新这一映射。一旦知道元素的位置，在二叉堆中修改其优先级或删除它都只需 \\(O(\\log n)\\) 时间。对于稠密的标识符空间，可以使用数组建立映射；对于更一般的标识符，则可以使用哈希表。\n\n另一种方法是惰性失效。程序不更新已有条目，而是插入新条目，并将旧条目标记为失效，或者另外记录当前版本。取出元素时，遇到失效条目就将其丢弃。这避免了专门的减小键操作，但可能增加内存消耗和取出操作的次数。\n\n直接修改已存储元素的优先级，而不通知队列或修复其结构，可能破坏堆序。同样，如果优先级取决于时间或其他可变的外部状态，就必须保证元素间的相对次序仍然有效，否则就要更新数据结构。"
    },
    {
      "heading": "应用",
      "text": "图搜索与最短路径\n\n迪ijkstra算法使用最小优先队列，选择暂定距离最小的顶点。对于具有 \\(V\\) 个顶点和 \\(E\\) 条边的图，使用邻接表和索引二叉堆的实现需要\n\n\\[O((V+E)\\log V)\\]\n\n时间。若使用斐波那契堆，相应的时间界限为 \\(O(E+V\\log V)\\)。这些界限都以边权非负为前提，这也是 Dijkstra 算法的要求。\n\nA星搜索根据估计的路径总成本为候选状态确定优先级，通常写作\n\n\\[f(n)=g(n)+h(n),\\]\n\n其中，\\(g(n)\\) 是到达某个状态的已知成本，\\(h(n)\\) 则估计剩余成本。\n\n优先队列也用于最小生成树算法，以及其他需要反复选择当前最优候选项的过程。\n\n调度与事件处理\n\n在处理器调度中，就绪任务可以按优先级、截止时间或其他调度键排序。优先队列提供的是选择机制，本身并不定义调度策略。\n\n离散事件仿真维护一个按模拟执行时间排序的未来事件队列。仿真器反复取出最早的事件，对其进行处理，再插入新产生的事件。定时器管理和某些事件循环实现也采用类似的安排。\n\n如果高优先级的工作持续到来，严格优先级调度可能导致饥饿。优先级老化等技术通过改变调度策略来解决这一问题；公平性并不是优先队列固有的性质。\n\n压缩、合并与选择\n\n霍夫曼编码反复移除权重最低的两个节点，并插入一个代表二者组合的新节点。\n\n优先队列还可以用于合并 \\(k\\) 个有序序列，方法是在队列中维护每个序列下一个可用的元素。对于总计 \\(N\\) 个元素，除去输入输出开销，这需要 \\(O(N\\log k)\\) 时间。\n\n若要保留数据流中最大的 \\(k\\) 个元素，可以使用大小不超过 \\(k\\) 的最小堆，将已保留元素中最小的一个放在堆顶。这样，对于每个新候选元素，都可以决定将其丢弃，或者用它替换堆顶；这一处理可在 \\(O(\\log k)\\) 时间内完成。"
    },
    {
      "heading": "与排序和队列的关系",
      "text": "反复从优先队列中取出最小值，会得到按非递减顺序排列的元素。堆排序利用堆序，实现了 \\(O(n\\log n)\\) 的最坏情况运行时间。\n\n基于比较的排序下界也限制了优先队列的性能。对于任意可比较的键，队列不可能在所有输入下同时提供常数摊还时间的插入和取出操作：否则，插入 \\(n\\) 个元素后再将它们全部取出，就能得到一个耗时 \\(O(n)\\) 的基于比较的排序算法。\n\n对于受限的键值域，这一论证不能原封不动地套用。较小的整数优先级可以用桶来处理，而专门的整数队列可以利用键的表示方式，或对其顺序的限制。\n\n普通队列或栈（数据类型）都可以通过按到达顺序分配优先级来建模。不过，它们的专用实现通常更简单，并且对各自特定的操作更高效。"
    },
    {
      "heading": "实际限制与接口细节",
      "text": "优先队列保证能够访问极值元素，但不保证按序迭代。遍历堆的底层数组，通常既得不到插入顺序，也得不到优先级顺序。\n\n标准二叉堆也不支持特别高效的合并：将两个堆数组拼接后重新建堆，所需时间与二者的总大小成线性关系。经常进行合并的应用可能更适合使用可合并堆。\n\n在并发计算中，同时进行的插入和取出操作需要协调。精确取出最小值可能成为争用热点，因为许多工作线程都在争夺排序中的同一端。一些并发设计会放宽要求，返回一个接近最小值的元素，以牺牲严格语义来换取更高的吞吐量。\n\n最后，不同标准库接口提供的能力各不相同。某个库的优先队列可能只支持插入、查看和取出，即使其底层结构本来能够支持更多操作。稳定性、任意删除、优先级更新、线程安全以及空队列的处理方式，都是具体接口的属性，而不是所有优先队列的普遍保证。"
    }
  ],
  "links": [
    "abstract-data-type",
    "queue-data-type",
    "not-a-number",
    "data-structure",
    "time-complexity",
    "red-black-tree",
    "binary-heap",
    "binary-tree",
    "array-data-structure",
    "cpu-cache",
    "amortized-analysis",
    "hash-table",
    "dijkstra-algorithm",
    "a-star-search",
    "cpu-scheduling",
    "event-loop",
    "huffman-coding",
    "heapsort",
    "sorting-algorithm",
    "stack-data-type",
    "concurrent-computing"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}